Introducción al reconocimiento de patrones

mediante redes neuronales

Emiliano Aldabas-Rubira
UPC-Campus Terrassa-DEE-EUETIT Colom, 1 08222 Terrassa Barcelona
e-mail: aldabas@eel.upc.es

Resumen
En el marco de las jornadas de conferencias de
ingeniería electrónica JCEE’02, se presenta un breve
resumen de una de las aplicaciones típicas de las redes
neuronales artificiales ANN (Artificial Neural Network).
En ella, un perceptrón multinivel MLP (Multilayer
Perceptron) se usa para el reconocimiento óptico de
caracteres OCR (Optical Character Recognition). Por
último, se simula una red neuronal en el entorno MATLAB,
entrenándola mediante el conocido algoritmo back capa de nodos capas de neuronas ocultas
capa de
neuronas de
propagation BP. de entrada salida

Fig. 1: Estructura de un perceptrón multinivel.

1. Introducción
En la bibliografía se pueden encontrar diferentes −1 θk
definiciones sobre lo que es una red neuronal, quizás la más
completa es la siguiente:
Una red neuronal artificial es un procesador x1 wk 1
distribuido en paralelo de forma masiva que tiene una
tendencia natural para almacenar conocimiento de forma
experimental y lo hace disponible para su uso.
x2 wk 2
Se parece al cerebro humano en dos aspectos: uk
• El conocimiento es adquirido por la red a través de un ∑ ϕ yk
proceso de aprendizaje. . .
• Los pesos sinápticos o fuerza con que están .
funcion de señal de
. activacion salida
interconectadas las neuronas se utilizan para almacenar la Sumador
. .
información.

Otras definiciones son: xp w kp

• Una nueva forma de computación, inspirada en
modelos biológicos.
• Un modelo matemático compuesto por un gran número
de elementos procesales organizados en niveles.
• Un sistema de computación hecho por un gran numero
de elementos simples, elementos de proceso
interconectados, los cuales procesan información por medio
de su estado dinámico como respuesta a entradas externas.
• Redes neuronales artificiales son redes interconectadas
masivamente en paralelo de elementos simples (usualmente
adaptativos) y con organización jerárquica, las cuales
intentan interactuar con los objetos del mundo real del
mismo modo que lo hace el sistema nervioso biológico.
señales de
pesos sinapticos
entrada
Fig. 2: Modelo de una neurona.
En este tipo de tarea hay un número fijo de categorías
en las cuales las muestras de entrada deben clasificarse.
Para ello primero se requiere una fase de entrenamiento en
la que se presenta a la red los patrones que debe aprender y
la categoría en cual clasificarlo. Entonces se le presenta a
la red un patrón nuevo y desconocido pero que pertenece a
alguna de las categorías aprendidas y esta debe decidir a
que categoría se parece más.

Aunque cada definición aporta información sobre lo que
es una red neuronal, para saber como funcionan y en que
consisten es necesario desarrollar una explicación extensa.
Sin embargo, en este trabajo se describirá una aplicación
típica de las redes neuronales multicapa, concretamente el
reconocimiento de patrones.
La ventaja de usar redes neuronales está en el hecho que
se pueden separar regiones no lineales de decisión tan
complicadas como se desee dependiendo del número de
neuronas y capas. Por lo tanto, las redes neuronales
artificiales sirven para resolver problemas de clasificación
de alta complejidad.
 2. Perceptrón multinivel
Dentro de las redes neuronales, las que más utilizadas
son las redes con múltiples capas que funcionan hacia
delante. Esta red esta compuesta por un conjunto de nodos
de entrada que componen la capa de entrada, un conjunto
de una o más capas ocultas de neuronas y una capa de
neuronas de salida. La señal de entrada se propaga hacia
adelante desde la capa de entrada por la oculta hasta la
salida; este tipo de configuración se conoce como MLP o
“MultiLayer Perceptrons” (figura 1) [1],[2],[3].
El hecho de que este tipo de red se aplique para resolver
con éxito multitud de problemas se debe a la utilización del
algoritmo de aprendizaje que actualmente está más
extendido, el algoritmo o regla back propagation, el cual es
una generalización de la regla LMS “Least Mean Square”,
por lo tanto también se basa en la corrección del error.
Básicamente el proceso back propagation consiste en
dos pasadas a través de las diferentes capas de la red, una
pasada hacia adelante y una pasada hacia atrás. En la
pasada hacia adelante, se aplica en la capa de entrada un
patrón o vector de entrada, este propaga su efecto a través
de las diferentes capas y como consecuencia produce un
vector de salida. Durante este proceso, los pesos sinápticos
de la red son fijos y no se modifican.
Durante la pasada hacia atrás en cambio, los pesos si se
modifican de acuerdo con la regla de corrección del error.
La señal de salida real se compara con la señal deseada y
como resultado se obtiene una señal de error, que se
propaga en dirección contraria a través de la red
modificando los pesos, de forma que, al volver a pasar el
vector de entrada hacia adelante, la respuesta obtenida se
asemeje más a la salida deseada. Concretando, se puede
decir que un perceptron multicapa tiene tres características:
1. El modelo de cada neurona (figura 2) incluye una
función no lineal. En este caso, a diferencia del perceptrón
donde es la función escalón, y debido a la necesidad de que
sea una función continua y derivable, es la función
sigmoide, donde uk es la suma total de la actividad interna
en la neurona k (la señal de entrada) e yk la salida que se
produce en la neurona.
1 patrones correctos, el sistema presentará a su salida la
yk = (1)
1 + exp( −u k )
2. La red contiene una o más capas ocultas de neuronas
que no forman parte ni de la entrada ni de la salida. Estas
neuronas ocultas capacitan a la red para aprender
progresivamente cualquier correspondencia entre la entrada
y la salida y almacenar internamente esta información.
3. La red posee un gran número de conexiones, estas
vienen determinadas por los pesos de la red. Un cambio en
la conexión entre las neuronas equivale a un cambio en los
pesos.
La combinación de estas características, hace que la
habilidad de esta red para aprender a partir del
entrenamiento sea muy potente, por ejemplo es capaz de
resolver el problema de la OR-exclusiva a diferencia del
perceptrón.
De todas formas, este comportamiento hace que sea
difícil conocer a priori la respuesta de la red. Esto se debe
a dos motivos, el comportamiento no lineal de las neuronas,
las cuales están muy interconectadas, (lo que hace difícil un
análisis teórico de la red) y la existencia de neuronas
ocultas, que impide poder “ver” como se produce el
aprendizaje y determinar cuales son las características que
mejorarían el aprendizaje.
El desarrollo del algoritmo back propagation
proporciona un método eficiente para entrenar este tipo de
redes. Aunque no es capaz de resolver todos los
problemas, se ha demostrado como el mejor de todos. Su
importancia está en su capacidad de autoadaptar los pesos
de las neuronas intermedias para aprender la relación que
existe entre el conjunto de vectores o patrones de entrada y
su correspondiente salida, y poder aplicar esa relación
después del entrenamiento a nuevos vectores de entrada
imperfectos o con ruido. Esta capacidad se conoce como
generalización. La red debe encontrar una representación
interna que le permita generar las salidas deseadas durante
la etapa de entrenamiento, y posteriormente durante el
funcionamiento ser capaz de generar salidas para entradas
que no le fueron mostradas durante el aprendizaje pero que
se asemejan a alguna de las que si le fueron mostradas.
3. Ejemplo de aplicación
Para simular el funcionamiento de un perceptrón
multinivel entrenado mediante el algoritmo back
propagation, se plantea un sencillo problema de
reconocimiento de óptico de caracteres. Su descripción es
la siguiente:
Dado un panel de entrada compuesto por una matriz de
7x5 puntos, se consideran 12 clases diferentes donde se
pretenden clasificar las muestras que se introducen. Los
patrones que definen correctamente a cada una de las clases
son los números del 0 al 9, el punto y el guión (figura 3).
Cuando a la entrada se presente una muestra distinta de los
información decodificada de la clase a la que pertenece la
muestra, o bien, de la clase a la cual se aproxima más.
En base a este planteamiento, la red neuronal dispone de
35 entradas que se corresponden con los puntos de la matriz
numerados en la figura 4. El valor de cada entrada puede
ser 0 si el punto es blanco y 1 si el punto es negro. Por
otro lado, dispone de 12 salidas, una por cada clase.
Cuando se introduzca una muestra a la entrada únicamente
se activará la salida de la clase a la que pertenezca,
permaneciendo las 11 restantes desactivadas con valores
próximos a cero. Se considera que una salida está activada
cuando su valor es próximo a la unidad.
 Patrón "0" Patrón "1" Patrón "2" Patrón "3" Patrón "4" Patrón "5"

Patrón "6" Patrón "7" Patrón "8" Patrón "9" Patrón "10" Patrón "11"

Fig. 3: Representación gráfica de los patrones de los caracteres numéricos en el formato de matriz de puntos 7x5.

Muestra "1" Salida Patrón “1” Patrón “1” con error

Columnas ideal. sin error. en el punto 32.
incompleta
1 2 3 4 5 0 0.00000000038246 0.00000000022760
1 1 2 3 4 5 1 0.97094634494005 0.93598496351919
0 0.00483116118854 0.00425679820665
2 6 7 8 9 10
F 0 0.00000007267857 0.00000003653425
i 3 11 12 13 14 15 0 0.00001815880785 0.00001549628867
l 4 16 17 18 19 20 0 0.00000000010405 0.00000000001916
a 5 21 22 23 24 25
0 0.00000098764700 0.00000340726166
s 0 0.00038787588951 0.00012976360904
6 26 27 28 29 30 0 0.00016876462031 0.00008967151863
7 31 32 33 34 35 32 0 0.00127029941580 0.00051591379971
0 0.02144501839329 0.01084408021869
0 0.01863962414026 0.06933193518770
Fig. 4: Numeración de los puntos del display 7x5 y ejemplo de
una muestra del patrón “1” con un punto erróneo. Tabla I: Resultados de simulación.

4. Resultados de simulación De la misma manera, cuando se introduce una muestra

Se ha desarrollado el programa BP5.m para el entorno
MATLAB 5.0 Student Edition. En él se ha programado un
perceptrón multinivel con 35 entradas y 12 salidas.
También dispone de dos capas ocultas a las cuales se les
puede modificar el número de sus neuronas. La red
neuronal se ha entrenado con el algoritmo back propagation
fijando el valor del momento en 0.8 y el factor de
aprendizaje en 0.2. En este proceso únicamente se han
usado doce muestras diferentes, es decir, los doce patrones
sin ningún punto erróneo.
con error en un punto (figura 4), la red clasifica
perfectamente dicha muestra en la clase correcta. Este
sencillo ejemplo sirve para confirmar que los perceptrones
multinivel resuelven excelentemente el problema de
clasificación de muestras, compitiendo con otros métodos
como puedan ser los estadísticos.
Referencias
[1] J. R. Hilera; V. J. Martínez; "Redes neuronales artificiales.
Fundamentos, modelos y aplicaciones”. Ed. Rama, 1995.

En la tabla I se muestran los resultados obtenidos para
una red neuronal de tamaño 35-30-20-12. Se aprecia que
tras el proceso de entrenamiento, el sistema responde de
forma casi ideal cuando se introduce un patrón sin error.
[2] S. Haykin; "Neural networks. A comprehensive foundation".
IEEE Press, 1994.
[3] Joan Cabestany Moncusí, Sergi Bermejo Sánchez; “Xarxes
Neuronals”. http://petrus.upc.es/~microele/neuronal/xn/